学习方法、管理装置和记录介质制造方法及图纸

本发明专利技术提供一种能够高精度且高效地生成回归方程的学习方法、管理装置和管理程序。学习方法对等离子体处理装置的腔室内的发光数据进行预处理。学习方法设定用于生成回归方程的机器学习的约束，回归方程表示等离子体处理装置的蚀刻速率与发光数据之间的关系。学习方法从被进行预处理后的发光数据中选择学习对象的波长。学习方法接受对与发光数据不同的其它传感器的数据的选择。学习方法将选择出的波长、接受到的其它传感器的数据、以及蚀刻速率作为学习数据，基于所设定的约束来进行机器学习，生成回归方程。学习方法输出生成的回归方程。

【技术实现步骤摘要】
学习方法、管理装置和记录介质
本公开涉及一种学习方法、管理装置和管理程序。
技术介绍
为了抑制等离子体处理装置随时间变动，提出进行装置参数的调整的APC(AdvancedProcessControl：先进过程控制)/AEC(AdvancedEquipmentControl：先进设备控制)。为了自动地进行这样的装置参数的调整，提出对等离子体处理装置的各种传感器的数据进行机器学习的提案。现有技术文献专利文献专利文献1：日本特表2014-514727号公报专利文献2：日本特表2017-536584号公报
技术实现思路
专利技术要解决的问题本公开提供一种能够高精度且高效地生成回归方程的学习方法、管理装置和管理程序。用于解决问题的方案基于本公开的一个方式的学习方法对等离子体处理装置的腔室内的发光数据进行预处理。学习方法设定用于生成回归方程的机器学习的约束，所述回归方程表示等离子体处理装置的蚀刻速率与发光数据之间的关系。学习方法从被进行预处理后的发光数据中选择学习对象的波长。学习方法接受对与发光数据不同的其它传感器的数据的选择。学习方法将选择出的波长、接受到的其它传感器的数据、以及蚀刻速率作为学习数据，基于所设定的约束来进行机器学习，生成回归方程。学习方法输出所生成的回归方程。专利技术的效果根据本公开，能够高精度且高效地生成回归方程。附图说明图1是表示本公开的一个实施方式中的处理系统的一例的框图。<br>图2是表示半批量的蚀刻速率的变化的一例的图。图3是表示发光数据的一例的图。图4是表示发光数据随时间变化的一例的图。图5是表示本公开的一个实施方式中的信息处理装置的一例的框图。图6是表示本实施方式中的学习处理的一例的流程图。图7是表示本实施方式中的预处理的一例的流程图。图8是表示本实施方式中的设定处理的一例的流程图。图9是表示本实施方式中的选择和接受处理的一例的流程图。图10是表示本实施方式中的生成处理的一例的流程图。图11是表示本实施方式中的回归方程与实测值的比较的一例的图。图12是表示本实施方式中的回归方程的选择出的波长的一例的说明图。图13是表示本实施方式中的回归方程与实测值的比较的其它一例的图。图14是表示本实施方式中的回归方程的选择出的波长的其它一例的说明图。图15是表示由刚流过的制程粒子引起的发光平衡的变化的一例的图。具体实施方式下面，基于附图来详细地说明公开的学习方法、管理装置和管理程序的实施方式。此外，公开技术不受下面的实施方式限定。在对等离子体处理装置的各种传感器的数据进行机器学习的情况下，考虑生成将蚀刻处理结果与等离子体处理装置的腔室内的发光数据相关联的回归方程(等离子体状态估计模型)。回归方程通过递归学习，以提高精度的算法进行学习。例如，能够举出主成分回归、偏最小二乘法等。它们能够递归地搜索使代价最小化的方程构造、系数来作为最优解。另外，发光数据一般被用于蚀刻的终点检测，通过OES(OpticalEmissionSensor：光学发射传感器)来获取。另一方面，在想要将发光数据利用于腔室的状况估计的情况下，使用能够定量地测定原子密度的辐射测量法、以电子温度估计为目的的双谱线强度比较法之类的方法。另外，回归方程的生成一般大多采用以下两种方法中的任一个方法。第一个方法为：基于与蚀刻处理和发光有关的模型的观点选定参照波长来实验性地进行加权，从而确定回归方程的回归系数。第二个方法为：不选定参照波长，而根据过去的大量的处理数据数学性地自动地进行加权，从而确定回归方程的回归系数。在第一个方法中，能够以比较少的数据数量来构建回归方程，但就根据单一激发态粒子、单一波长得到的回归方程的估计精度而言，大多情况下对于某个物理现象是良好的，但是对于各种物理现象不满足期待值。另外，在第二个方法中，具有对于各种物理现象能够得到高的估计精度的可能性，但需要比较多的数据数量以进行依赖于过去的数据的确定，在数据的质量和数量不充分的情况下，有时会过学习。并且，具有一般会完成对于人而言难以理解的回归方程的倾向，因此对模型的可靠性存有疑问。因此，期待高精度且高效地生成回归方程。[处理系统1的结构]图1是表示本公开的一个实施方式中的处理系统的一例的框图。如图1所示，处理系统1具有多个管理装置10、多个等离子体处理装置20、以及信息处理装置100。此外，在图1中，虽然设为管理装置10a、10b、10c、以及等离子体处理装置20a、20b、20c，但在不进行区别的情况下仅称为管理装置10和等离子体处理装置20。管理装置10分别管理等离子体处理装置20。管理装置10管理所连接的等离子体处理装置20的状态，从等离子体处理装置20接收发光数据和各种传感器的数据等信息。管理装置10将获取到的各种信息发送至信息处理装置100。另外，管理装置10基于从信息处理装置100接收到的回归方程和从等离子体处理装置20接收到的各种信息来估计蚀刻速率。管理装置10基于估计出的蚀刻速率来控制等离子体处理装置20。等离子体处理装置20对处理对象的基板(下面称作晶圆。)进行等离子体处理。等离子体处理装置20将等离子体处理中的发光数据和各种传感器的数据等信息发送至管理装置10。另外，等离子体处理装置20接受管理装置10的控制。信息处理装置100从管理装置10接收发光数据和各种传感器的数据等信息。信息处理装置100基于接收到的各种信息来生成回归方程。信息处理装置100将生成的回归方程发送至管理装置10。[蚀刻速率和发光数据]在此，对蚀刻速率和发光数据进行说明。图2是表示半批量的蚀刻速率的变化的一例的图。图2所示的曲线图30表示对半批量即10张晶圆进行处理的情况下的蚀刻速率的变化的校正前实测值和校正后实测值。如图2所示，在校正前实测值的曲线图中，晶圆数量每次增加，蚀刻速率都会下降。这是由腔室内的污垢导致的，每处理半批量或1批量，通过利用清洁气体进行清洁能够复原。另一方面，在校正后实测值的曲线图中，通过在半批量的期间对处理气体进行调整、例如使处理气体的流量增加，来抑制蚀刻速率的下降。在本实施方式中，使用管理装置10的回归方程来进行这样的控制。图3是表示发光数据的一例的图。图3所示的曲线图31表示对某个晶圆进行了等离子体处理的情况下的每个波长的发光强度。在曲线图31的例子中，可知在660nm附近出现发光强度的峰值。这样的峰值表示检测到了特征物质。图4是表示发光数据随时间变化的一例的图。图4所示的曲线图32表示晶圆No.1～No.66的各波长(1201个波长)的随时间变化。曲线图32通过左端的用标度表示的分类(颜色分类等)来表示每1张晶圆的发光强度的时间积分值的变动率。也就是说，曲线图32是将图3的曲线图31排列66个而成的。在曲线图32的例子中，可知从超过晶圆No.20时开始，发光强度本文档来自技高网...

【技术保护点】
1.一种学习方法，具有以下处理：/n对等离子体处理装置的腔室内的发光数据进行预处理；/n设定用于生成回归方程的机器学习的约束，所述回归方程表示所述等离子体处理装置的蚀刻速率与所述发光数据之间的关系；/n从被进行预处理后的所述发光数据中选择学习对象的波长；/n接受对与所述发光数据不同的其它传感器的数据的选择；/n将选择出的所述波长、接受到的所述其它传感器的数据、以及所述蚀刻速率作为学习数据，基于所设定的所述约束来进行所述机器学习，生成所述回归方程；以及/n输出生成的所述回归方程。/n

【技术特征摘要】
20190426 JP 2019-0862161.一种学习方法，具有以下处理：
对等离子体处理装置的腔室内的发光数据进行预处理；
设定用于生成回归方程的机器学习的约束，所述回归方程表示所述等离子体处理装置的蚀刻速率与所述发光数据之间的关系；
从被进行预处理后的所述发光数据中选择学习对象的波长；
接受对与所述发光数据不同的其它传感器的数据的选择；
将选择出的所述波长、接受到的所述其它传感器的数据、以及所述蚀刻速率作为学习数据，基于所设定的所述约束来进行所述机器学习，生成所述回归方程；以及
输出生成的所述回归方程。


2.根据权利要求1所述的学习方法，其特征在于，
所述预处理为针对所述发光数据进行的平滑化处理、传感器仪器误差的调整处理、以及辐射测量法中的向标准化波长的发光比的转换处理中的一个或多个处理。


3.根据权利要求1或2所述的学习方法，其特征在于，
所述约束为变量增加代价、目标一致率、以及最大搜索次数中的一个或多个约束。


4.根据权利要求1至3中的任一项所述的学习方法，其特征在于，
所述选择的处理从所述发光数据中提取具有发光的峰值的波长，选择从提取出的所述波长中去除发光强度的平均值为第一阈值以下或第二阈值以上的波长后的波长。


5.根据权利要求1至4中的任一项所述的学习方法，其特征在于，
所述接受的处理生成基于所述其它传感器的数据的非线性项、干扰项、以及标准化项中的一项或多项，并接受对所生成的所述项的选择。


6.根据权利要求1至5中的任一项所述的学习方法，其特征在于，
所述回归方程为线性多项式。


7.根据权利要求1至6中的任一项所述的学习方法，其特征在于，
所述生成的处理使用稀疏建模来进行所述机器学习。


8.根据权利要求7所述的学习方法，其特征...

【专利技术属性】
技术研发人员：片冈勇树，渡边雄仁，
申请(专利权)人：东京毅力科创株式会社，
类型：发明
国别省市：日本;JP